Alle iLive-inhoud wordt medisch beoordeeld of gecontroleerd op feiten om zo veel mogelijk feitelijke nauwkeurigheid te waarborgen.
We hebben strikte richtlijnen voor sourcing en koppelen alleen aan gerenommeerde mediasites, academische onderzoeksinstellingen en, waar mogelijk, medisch getoetste onderzoeken. Merk op dat de nummers tussen haakjes ([1], [2], etc.) klikbare links naar deze studies zijn.
Als u van mening bent dat onze inhoud onjuist, verouderd of anderszins twijfelachtig is, selecteert u deze en drukt u op Ctrl + Enter.
Kunstmatige intelligentie voorspelt malaria-uitbraken in Zuid-Azië
Laatst beoordeeld: 02.07.2025
Onderzoekers van NDORMS hebben, in samenwerking met internationale instellingen, het potentieel aangetoond van het gebruik van omgevingsmetingen en deep learning-modellen om malaria-uitbraken in Zuid-Azië te voorspellen. De studie biedt veelbelovende vooruitzichten voor het verbeteren van systemen voor vroegtijdige waarschuwing voor een van 's werelds dodelijkste ziekten.
Malaria blijft een aanzienlijk wereldwijd gezondheidsprobleem, waarbij ongeveer de helft van de wereldbevolking risico loopt op infectie, met name in Afrika en Zuid-Azië. Hoewel malaria te voorkomen is, maken de variabele factoren van klimaat, sociaaldemografische factoren en milieurisico's het voorspellen van uitbraken lastig.
Een onderzoeksteam onder leiding van universitair hoofddocent Sarah Khalid van de NDORMS Planetary Health Informatics Group van de Universiteit van Oxford, in samenwerking met de Lahore University of Management Sciences, wilde dit probleem aanpakken en onderzoeken of een op de omgeving gebaseerde aanpak van machinaal leren de potentie zou kunnen bieden voor plaatsspecifieke hulpmiddelen voor vroege waarschuwing voor malaria.
Ze ontwikkelden een multivariaat LSTM-model (M-LSTM) dat gelijktijdig omgevingsgegevens zoals temperatuur, regenval, vegetatiemetingen en nachtelijke lichtgegevens analyseerde om de incidentie van malaria in een Zuid-Aziatische gordel die Pakistan, India en Bangladesh omvat, te voorspellen.
De gegevens werden vergeleken met de incidentiecijfers van malaria op districtsniveau voor elk land tussen 2000 en 2017, afkomstig uit de datasets Demographic and Health Surveys van het United States Agency for International Development.
De resultaten, gepubliceerd in The Lancet Planetary Health, laten zien dat het voorgestelde M-LSTM-model consequent beter presteert dan het traditionele LSTM-model, met respectievelijk 94,5%, 99,7% en 99,8% lagere fouten voor Pakistan, India en Bangladesh.
Over het algemeen werd een hogere nauwkeurigheid en minder fouten bereikt naarmate de complexiteit van het model toenam, hetgeen de effectiviteit van de aanpak onderstreept.
Sarah legde uit: "Deze aanpak is generaliseerbaar, en daarom heeft onze modellering belangrijke implicaties voor het volksgezondheidsbeleid. Het zou bijvoorbeeld kunnen worden toegepast op andere infectieziekten of opgeschaald naar andere risicogebieden met een onevenredig hoge morbiditeit en mortaliteit door malaria in WHO-regio's in Afrika. Het zou besluitvormers kunnen helpen proactievere maatregelen te nemen om malaria-uitbraken vroegtijdig en nauwkeurig te beheersen.
De echte aantrekkingskracht is de mogelijkheid om vrijwel overal op aarde te analyseren dankzij snelle ontwikkelingen in aardobservatie, deep learning en AI, en de beschikbaarheid van krachtige computers. Dit zou kunnen leiden tot gerichtere interventies en een betere toewijzing van middelen in de voortdurende strijd tegen malaria en een betere volksgezondheid wereldwijd.